論文の概要: Multi-objective Generative Design of Three-Dimensional Composite Materials

• arxiv url: http://arxiv.org/abs/2302.13365v1
• Date: Sun, 26 Feb 2023 17:45:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 17:37:02.375190
• Title: Multi-objective Generative Design of Three-Dimensional Composite Materials
• Title（参考訳）: 三次元複合材料の多目的生成設計
• Authors: Zhengyang Zhang, Han Fang, Zhao Xu, Jiajie Lv, Yao Shen, Yanming Wang
• Abstract要約: 本稿では,3次元複合構造物の逆設計を実現するために,ワッサーシュタイン生成対向ネットワーク(MDWGAN)について報告する。 本フレームワークは, 各種構造の特徴を保ちながら, 生成したコンポジットの特性を多面的に調整することができる。
• 参考スコア（独自算出の注目度）: 12.258353990252312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Composite materials with 3D architectures are desirable in a variety of applications for the capability of tailoring their properties to meet multiple functional requirements. By the arrangement of materials' internal components, structure design is of great significance in tuning the properties of the composites. However, most of the composite structures are proposed by empirical designs following existing patterns. Hindered by the complexity of 3D structures, it is hard to extract customized structures with multiple desired properties from large design space. Here we report a multi-objective driven Wasserstein generative adversarial network (MDWGAN) to implement inverse designs of 3D composite structures according to given geometrical, structural and mechanical requirements. Our framework consists a GAN based network which generates 3D composite structures possessing with similar geometrical and structural features to the target dataset. Besides, multiple objectives are introduced to our framework for the control of mechanical property and isotropy of the composites. Real time calculation of the properties in training iterations is achieved by an accurate surrogate model. We constructed a small and concise dataset to illustrate our framework. With multiple objectives combined by their weight, and the 3D-GAN act as a soft constraint, our framework is proved to be capable of tuning the properties of the generated composites in multiple aspects, while keeping the selected features of different kinds of structures. The feasibility on small dataset and potential scalability on objectives of other properties make our work a novel, effective approach to provide fast, experience free composite structure designs for various functional materials.
• Abstract（参考訳）: 3Dアーキテクチャの複合材料は、様々な用途において、複数の機能要件を満たすように特性を調整できることが望ましい。 材料の内部成分の配置により、複合材料の特性の調整において構造設計は非常に重要である。 しかし、ほとんどの複合構造は既存のパターンに従う経験的設計によって提案されている。 3d構造の複雑さによって、大きな設計空間から複数の望ましい特性を持つカスタマイズされた構造を抽出することは困難である。 本稿では, 幾何学的, 構造的, 機械的要求に応じて3次元複合構造を逆設計する多目的駆動ワッサースタイン生成逆ネットワーク (mdwgan) について述べる。 本フレームワークは, ターゲットデータセットに類似した幾何学的, 構造的特徴を有する3次元複合構造を生成するGANベースネットワークで構成されている。 また, 複合材料における機械的特性と等方性制御の枠組みにも, 複数の目的が導入された。 トレーニングイテレーションにおける特性のリアルタイム計算は、正確な代理モデルによって達成される。 フレームワークを説明するために、小さくて簡潔なデータセットを構築しました。 複数の目的を重み付け, 3D-GAN はソフト制約として作用し, 各種構造の特徴を保ちながら, 生成した複合材の特性を多面的に調整できることが実証された。 小さなデータセットの実現可能性と、他の特性の目的のスケーラビリティは、様々な機能材料に高速で経験のない複合構造設計を提供するための、新しい効果的なアプローチとなります。

関連論文リスト

• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Creating a Microstructure Latent Space with Rich Material Information for Multiphase Alloy Design [19.10106845551149]
  本研究は, 高精度CPSP関係を確立するために, 真の微細構造情報を統合する改良された合金設計アルゴリズムを提案する。 このアプローチでは、変分オートエンコーダに基づくディープラーニングフレームワークを使用して、実際のミクロ構造データを潜在空間にマッピングする。
  論文  参考訳（メタデータ） (2024-09-04T12:26:19Z)
• Smooth Like Butter: Evaluating Multi-Lattice Transitions in Property-Augmented Latent Spaces [0.0]
  本研究は,複数格子遷移領域を生成するためのハイブリッドジオメトリ/プロパティ変分オートエンコーダ(VAE)を実装し,評価する。 本研究では, ハイブリッドVAEが遷移領域を通した剛性連続性を維持する上で, 高い性能を示した。
  論文  参考訳（メタデータ） (2024-07-10T22:28:13Z)
• OpenMaterial: A Comprehensive Dataset of Complex Materials for 3D Reconstruction [54.706361479680055]
  295個の異なる材料からなる1001個のオブジェクトからなるOpenMaterialデータセットを紹介した。 OpenMaterialは3D形状、マテリアルタイプ、カメラポーズ、深さ、オブジェクトマスクなど、包括的なアノテーションを提供する。 これは、多様で挑戦的な材料を持つオブジェクト上で、既存のアルゴリズムの定量的評価を可能にする最初の大規模データセットである。
  論文  参考訳（メタデータ） (2024-06-13T07:46:17Z)
• StructRe: Rewriting for Structured Shape Modeling [63.792684115318906]
  本稿では,構造化形状モデリングの新しいアプローチとして,構造書換えシステムであるStructReを提案する。 ポイントとコンポーネントで表される3Dオブジェクトが与えられたら、StructReはそれを上向きに、より簡潔な構造に書き直すか、より詳細な構造に書き直すことができる。
  論文  参考訳（メタデータ） (2023-11-29T10:35:00Z)
• Remixing Functionally Graded Structures: Data-Driven Topology Optimization with Multiclass Shape Blending [15.558093285161775]
  本稿では,多クラス関数型構造のためのデータ駆動型フレームワークを提案する。 鍵となるのは、滑らかにグレードされたマイクロ構造を生成する新しいマルチクラス形状ブレンディング方式である。 マイクロスケールの問題を、設計を事前に定義された形状に詰め込むことなく、効率的で低次元のものに変換する。
  論文  参考訳（メタデータ） (2021-12-01T16:54:56Z)
• Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model for Protein Design [70.27706384570723]
  Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。 Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。 フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
  論文  参考訳（メタデータ） (2021-06-24T14:34:24Z)
• Deep Generative Modeling for Mechanistic-based Learning and Design of Metamaterial Systems [20.659457956055366]
  深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。 本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。 機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
  論文  参考訳（メタデータ） (2020-06-27T03:56:55Z)
• Revealing the Invisible with Model and Data Shrinking for Composite-database Micro-expression Recognition [49.463864096615254]
  入力複雑性とモデル複雑性を含む学習複雑性の影響を分析する。 より浅層構造と低分解能入力データを探索する再帰畳み込みネットワーク(RCN)を提案する。 学習可能なパラメータを増やさなくてもRCNと統合できる3つのパラメータフリーモジュールを開発した。
  論文  参考訳（メタデータ） (2020-06-17T06:19:24Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。